BraTs2020冠军分析
MICCAI BraTS 2020脑肿瘤分割挑战赛冠军方法学习笔记 - 知乎
其中作者的Docker的使用，以LINUX为系统基础跑
Ubuntu Docker 安装 | 菜鸟教程
conda换成中科大的源,2.更换Conda源_苒子的博客-CSDN博客
nnU-net框架学习
nnunet(一) expected epoch times_fanre的专栏-CSDN博客
（一：2020.07.06）nnUNet论文主体解析（8.02更新认识）_Jojo论文基地-CSDN博客_nnunet
nnunet(十七) nnUNet_convert_decathlon_task_fanre的专栏-CSDN博客
https://zenodo.org/record/3734294#.XyYR5mMzY5n
nnUnet
基本下载地址：GitHub - MIC-DKFZ/nnUNet
b) nnUNet：
1.数据【无论是训练数据还是测试数据，都具有相对应的属性，即指纹】的属性会被总结成一种“数据指纹”；
2.一系列的启发式的规则会推理出适合这种指纹的“管道”（由蓝图参数（计划参数）推理得出）：
3.上一步推理出的参数，例如image resample、batch_size等，联合起来成为“管道指纹”：
4.2D、3D和3D_Cascaded三个网络分别训练，得出各自的模型（三个网络结构共享一个“管道指纹”，五折交叉验证）
5.选择出最优的模型进行推理（可以单个进行推理，也可以三个模型一起进行推理）
nnUNet总共有四种网络类型：2D、3D_full_res、3D_lower_res、3D_cascade。每个进行五种交叉验证，就是共有20个模型要训练，
自动创建决策的时候会消耗更少的资源，而且具有很强的适应性和稳定性。
nnUNet在两个方面仍然不是最优：① 对于一些潜在的cases，nnUNet自身的启发机制很有可能会随之扩展；② 对于一些极其专业的领域cases，nnUNet只能作为一个起点。
预测什么数据集需要什么配置是未来的一个研究方向。
- 参照此处安装nnunet，https://github.com/MIC-DKFZ/nnUNet/blob/master/readme.md#installation
- 设置环境变量https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/setting_up_paths.md
- 确保所有路径都是对的，这一步是nnunet需要知道 raw data, preprocessed data and trained models数据存放在哪。
- 下载 Hippocampus dataset of the Medical Segmentation Decathlon数据集，并且解压缩到指定文件夹。
- Decathlon 数据采用4D niftis。这与nnU-Net不兼容，所以需要数据转换。
nnUNet_convert_decathlon_task -i /xxx/Task04_Hippocampus要注意Task04_Hippocampus文件夹中必须包含'imagesTr'， 'labelsTr'， 'imagesTs'三个子文件夹。 $nnUNet_raw_data_base/nnUNet_raw_data中存储转换后的数据， $nnUNet_raw_data_base是安装的时候指定的原始数据存放目录
1、获取nnU-Nets pipeline configuration和preprocessing，任务号为82
nnUNet_plan_and_preprocess -t 82
2、使用3d full resoltion U-Net在Hippocampus dataset上开始训练
nnUNet_train 3d_fullres nnUNetTrainerV2 82 0
默认使用5-fold cross validation，上面的命令将只运行第一次折叠(折叠0)的训练。82为 hippocampus dataset的task identifier，在GPU上训练一个折叠需要大约9个小时。有预先训练过的hippocampus task模型就不需要完成网络训练。
